modelo fuzzy para valoraÇÃo de pequenas...
TRANSCRIPT
i
MODELO FUZZY PARA VALORAÇÃO
DE PEQUENAS EMPRESAS
Rafael Chagas Vitalino
Ricardo Avila Guterres Pinheiro Leite
Projeto de Graduação apresentado ao Curso
de Engenharia de Produção da Escola
Politécnica, Universidade Federal do Rio de
Janeiro, como parte dos requisitos
necessários à obtenção do título de
Engenheiro.
Orientador:
Prof. Armando Gonçalves Neto, D. Sc.
Rio de Janeiro
Setembro de 2012
ii
MODELO FUZZY PARA VALORAÇÃO DE
PEQUENAS EMPRESAS
Rafael Chagas Vitalino
Ricardo Avila Guterres Pinheiro Leite
PROJETO DE GRADUAÇÃO SUBMETIDO AO CORPO DOCENTE DO CURSO
DE ENGENHARIA DE PRODUÇÃO DA ESCOLA POLITÉCNICA DA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE DOS
REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE
ENGENHEIRO DE PRODUÇÃO.
Examinado por:
______________________________________________________
Prof. Armando Gonçalves Neto, D.Sc. (Orientador)
______________________________________________________
Prof. Carlos Alberto Nunes Cosenza, D.Sc.
______________________________________________________
Daniel Barroso Barros, M.Sc.
Rio de Janeiro
Setembro de 2012
i
Leite, Ricardo Avila Guterres Pinheiro
Vitalino, Rafael Chagas
Modelo Fuzzy para Valoração de Pequenas Empresas – Rio de
Janeiro: UFRJ/Escola Politécnica, 2012.
vii, 57 p.: il; 29,7 cm.
Orientador: Prof. Armando Gonçalves Neto (D.Sc.)
Projeto de Graduação – UFRJ / Escola Politécnica / Curso de
Engenharia de Produção, 2012.
1. Lógica Fuzzy. 2.Valoração. 3. Pequenas Empresas.
I. Neto, Armando Gonçalves II. Universidade Federal do
Rio de Janeio III. Valoração de Pequenas Empresas
baseada em Lógica Fuzzy.
ii
Agradecimentos
Primeiramente agradecemos a Deus por ter nos concedido o direito a vida. Não menos
importantes, agradecemos aos nossos pais e família pelo apoio, carinho e suporte
incondicional em todos os momentos. Agradecemos também ao nosso orientador
Armando Gonçalves por compartilhar o desafio, pela paciência, disposição e apoio para
nos direcionar. Como não poderia faltar, deixamos aqui nossos agradecimentos às
nossas namoradas, pois, sem as mesmas, não teríamos tanta inspiração e motivação para
fazer o melhor possível. Por fim, agradecemos a nós mesmos pela disposição,
comprometimento e amizade que proporcionaram o desenvolvimento do trabalho.
iii
Resumo do Projeto de Graduação apresentado à Escola Politécnica/UFRJ como parte
dos requisitos necessários para a obtenção do grau de Engenheiro de Produção.
Modelo Fuzzy para Valoração de Pequenas Empresas
Rafael Chagas Vitalino
Ricardo Avila Guterres Pinheiro Leite
Setembro/2012
Orientador: Armando Gonçalves Neto (D.Sc.)
Curso: Engenharia de Produção
As pequenas empresas possuem grande representatividade no mercado. Além disso,
muitas vezes, representa uma fonte de crescimento de diferentes perfis de
empreendedores que se envolvem em transações de compra ou venda destes negócios
nos mais diversos setores. É apresentada uma perspectiva diferente no entendimento do
valor de seus respectivos negócios, através da aplicação dos conceitos da lógica fuzzy
para valoração das pequenas empresas. Esta aplicação se deu através de um sistema de
inferência fuzzy, elaborado e refinado a partir de três experimentos, onde também se fez
uso de outra reconhecida técnica de valoração: as “regras de ouro”. Tendo em vista que
pequenas empresas costumam direcionar todos os seus esforços para “se manterem
vivas” e atender ao mercado, dificilmente as mesmas conseguem assegurar um bom
controle sobre suas entradas, saídas, estoques etc. Se para estas é difícil controlar todas
as informações do negócio, torna-se ainda mais difícil realizar análises sobre suas
informações que na maioria das vezes são imprecisas ou vagas. Nesse contexto, pode-se
recorrer à lógica fuzzy, cujas principais características são sua flexibilidade e tolerância
com a imprecisão, sua capacidade para modelar problemas não lineares e a sua base
com a linguagem natural. Por fim, este trabalho busca experimentar a aplicabilidade do
modelo, comparando a expectativa de proprietários quanto ao valor de seus negócios
com o resultado da valoração gerado a partir do modelo fuzzy.
Palavras-chave: Lógica Fuzzy, Valoração, Pequenas Empresas.
iv
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of
the requirements for the degree of Industrial Engineer.
Fuzzy Model for Small Companies Valuation
Rafael Chagas Vitalino
Ricardo Avila Guterres Pinheiro Leite
September/2012
Advisor: Armando Gonçalves Neto (D.Sc.)
Course: Industrial Engineering
Small businesses have great representation in the market. Moreover, often, is a source of
growth of different profiles of entrepreneurs, who engage in transactions involving
purchase or sale of businesses in various sectors. It presents a different perspective in
understanding the value of their business through the application of the concepts of
fuzzy logic for valuation of small businesses. This application was made through a
fuzzy inference system, developed and refined from three experiments, which also made
use of another valuation technique recognized: the "rules of thumbs". Considering that
small businesses tend to direct all their efforts to "stay alive" and serve the market, the
same can hardly achieve good control of their inputs, outputs, stocks etc. If this is
difficult to control all business information, it becomes even more difficult to conduct
analyzes on their information that most often are imprecise or vague. In this context,
one can resort to fuzzy logic, whose main characteristics are its flexibility and tolerance
for imprecision, its ability to model nonlinear problems and its base with natural
language. Finally, this paper seeks to experience the applicability of the model by
comparing the expectation of owners about the value of their business with the outcome
of the valuation generated from the fuzzy model.
Key words: Fuzzy Logic, Valuation, Small Companies.
v
SUMÁRIO
1 INTRODUÇÃO .................................................................................................................................. 1
1.1 OBJETIVOS .................................................................................................................................... 2 1.1.1 Objetivo Geral ...................................................................................................................... 2 1.1.2 Objetivos Específicos ............................................................................................................ 2
1.2 METODOLOGIA .............................................................................................................................. 3 1.3 ESTRUTURA DO TRABALHO ........................................................................................................... 4
2 FUNDAMENTAÇÃO TEÓRICA – LÓGICA FUZZY .................................................................. 5
2.1 TEORIA DOS CONJUNTOS ............................................................................................................... 6 2.1.1 Teoria Clássica dos Conjuntos ............................................................................................. 7 2.1.2 Definição dos Conjuntos Fuzzy ............................................................................................ 7
2.2 O PRINCÍPIO DA EXTENSÃO DE ZADEH .......................................................................................... 8 2.3 FUNÇÕES DE PERTINÊNCIA ............................................................................................................ 9
2.3.1 Função Triangular ............................................................................................................. 10 2.3.2 Função Trapezoidal ............................................................................................................ 11 2.3.3 Função Gaussiana .............................................................................................................. 12
2.4 OPERAÇÕES FUZZY - CONJUNTOS ............................................................................................... 12 2.4.1 União de Conjuntos Fuzzy .................................................................................................. 13 2.4.2 Interseção de Conjuntos Fuzzy ........................................................................................... 14 2.4.3 Complemento de Conjuntos Fuzzy ...................................................................................... 14
2.5 ARITMÉTICA FUZZY .................................................................................................................... 15 2.5.1 Soma de Conjuntos Fuzzy ................................................................................................... 15 2.5.2 Subtração de Conjuntos Fuzzy ........................................................................................... 15 2.5.3 Multiplicação de Conjuntos Fuzzy ..................................................................................... 16 2.5.4 Divisão de Conjuntos Fuzzy ............................................................................................... 16
2.6 RACIOCÍNIO FUZZY ..................................................................................................................... 16 2.6.1 Variáveis linguísticas ......................................................................................................... 17 2.6.2 Fuzzificação ........................................................................................................................ 18 2.6.3 Inferência ............................................................................................................................ 19 2.6.4 Defuzzificação .................................................................................................................... 20
3 VALORAÇÃO DE PEQUENAS EMPRESAS .............................................................................. 21
3.1 VISÃO GERAL SOBRE OS MÉTODOS DE VALORAÇÃO ................................................................... 22 3.2 APLICABILIDADE DA VALORAÇÃO DE PEQUENAS EMPRESAS ...................................................... 23 3.3 REGRAS DE OURO PARA VALORAÇÃO DE PEQUENAS EMPRESAS ................................................ 25
4 MODELO FUZZY PARA VALORAÇÃO DE PEQUENAS EMPRESAS ................................. 27
4.1 CONTEXTO .................................................................................................................................. 27 4.2 PREMISSAS .................................................................................................................................. 27 3.1 MODELAGEM DO MÉTODO ........................................................................................................... 28 4.3 EXPERIMENTO DA VALORAÇÃO FUZZY ....................................................................................... 30
4.3.1 Base do Experimento .......................................................................................................... 30 4.3.2 Fuzzificação das variáveis de entrada ................................................................................ 33 4.3.3 Inferência ............................................................................................................................ 41 4.3.4 Defuzzificação .................................................................................................................... 43 4.3.5 Discussão dos resultados .................................................................................................... 44
5 CONCLUSÃO .................................................................................................................................. 45
6 REFERÊNCIAS BIBLIOGRÁFICAS ............................................................................................ 47
vi
ÍNDICE DE TABELAS
TABELA 1 – OPERAÇÕES EM CONJUNTOS FUZZY ........................................................................ 13
TABELA 2 – EXEMPLO DE ESTRUTURA DE INFERÊNCIA .............................................................. 19
TABELA 3 – “REGRAS DE OURO” PARA VALORAÇÃO DE PEQUENAS EMPRESAS........................ 25
TABELA 4 – FUNÇÕES E FAIXAS DE PERTINÊNCIA – VARIÁVEL FATURAMENTO ........................ 37
TABELA 5 – FUNÇÕES E FAIXAS DE PERTINÊNCIA – VARIÁVEL INVESTIMENTO ......................... 38
TABELA 6 – FUNÇÕES E FAIXAS DE PERTINÊNCIA – VARIÁVEL LOCALIZAÇÃO .......................... 38
TABELA 7 – FUNÇÕES E FAIXAS DE PERTINÊNCIA – VARIÁVEL CRESCIMENTO .......................... 39
TABELA 8 – FUNÇÕES E FAIXAS DE PERTINÊNCIA – VARIÁVEL VALORIZAÇÃO ......................... 40
TABELA 9 – FUNÇÕES E FAIXAS DE PERTINÊNCIA – VARIÁVEL MULTIPLICADOR DE
VALORIZAÇÃO ....................................................................................................... 40
TABELA 10 – CÁLCULO DO VALOR DO NEGÓCIO ....................................................................... 43
TABELA 11 – COMPARAÇÃO DOS RESULTADOS DE VALORAÇÃO ............................................... 44
vii
ÍNDICE DE FIGURAS
FIGURA 1 – METODOLOGIA DO TRABALHO ................................................................................... 3
FIGURA 2 – CONJUNTO CLÁSSICO X CONJUNTO FUZZY ............................................................... 6
FIGURA 3 – PERTINÊNCIA A UM CONJUNTO FUZZY ...................................................................... 9
FIGURA 4 – FUNÇÃO DE PERTINÊNCIA TRIANGULAR .................................................................. 11
FIGURA 5 – FUNÇÃO DE PERTINÊNCIA TRAPEZOIDAL ................................................................ 11
FIGURA 6 – FUNÇÃO DE PERTINÊNCIA GAUSSIANA .................................................................... 12
FIGURA 7 – OPERAÇÃO DE UNIÃO FUZZY ................................................................................... 13
FIGURA 8 – OPERAÇÃO DE INTERSEÇÃO FUZZY ......................................................................... 14
FIGURA 9 – OPERAÇÃO DE COMPLEMENTO FUZZY ..................................................................... 15
FIGURA 10 – RACIOCÍNIO FUZZY ................................................................................................ 17
FIGURA 11 – OPERAÇÕES DE IMPLICAÇÃO .................................................................................. 20
FIGURA 12 – DEFUZZIFICAÇÃO PELO MÉTODO CENTRÓIDE ....................................................... 21
FIGURA 13 – ETAPAS DE ELABORAÇÃO DO MODELO FUZZY ....................................................... 30
FIGURA 14 – GRÁFICO DE PERTINÊNCIA DA VARIÁVEL FATURAMENTO ..................................... 37
FIGURA 15 – GRÁFICO DE PERTINÊNCIA DA VARIÁVEL INVESTIMENTO ..................................... 38
FIGURA 16 – GRÁFICO DE PERTINÊNCIA DA VARIÁVEL LOCALIZAÇÃO ...................................... 39
FIGURA 17 – GRÁFICO DE PERTINÊNCIA DA VARIÁVEL CRESCIMENTO ...................................... 39
FIGURA 18 – GRÁFICO DE PERTINÊNCIA DA VARIÁVEL VALORIZAÇÃO ...................................... 40
FIGURA 19 – GRÁFICO DE PERTINÊNCIA DA VARIÁVEL MULTIPLICADOR DE VALORIZAÇÃO .... 41
1
1 INTRODUÇÃO
No Brasil, são criados anualmente mais de 1,2 milhão de novos empreendimentos
formais. Desse total, mais de 99% são micro e pequenas empresas e empreendedores
individuais (SEBRAE, 2011).
Neste contexto, é grande a quantidade de pequenas empresas que estão passando
por algum tipo de transação, seja no interesse da compra ou a necessidade da venda que
são realizadas por diferentes motivos. Outrossim, são muitas as variáveis que
influenciam na decisão e avaliação do negócio para que seja atribuído um valor justo.
Algumas das barreiras resultam do fato do fluxo de caixa de uma pequena
empresa não ser propriamente uma "fonte de informação exata", outras decorrem da
dificuldade em encontrar valores de referência que sustentem o processo de avaliação
(JESUS, J. et al., 2001).
Além disso, muitas pequenas empresas apresentam um ambiente menos formal
em que as influências pessoais, baseada no perfil do proprietário ou empreendedor,
dominam o direcionamento de suas características e potencial de sucesso. Isto contribui
para aumentar ainda mais o nível de incerteza do ambiente de avaliação.
A aplicação de metodologias tradicionais de valoração, que assumem como
premissa a disponibilidade, confiabilidade e precisão das informações para que sejam
gerados resultados mais consistentes, quando pensadas no contexto de pequenas
empresas, podem não ser aplicáveis ou demasiado complexas.
Por outro lado, existem referências, baseadas em estatísticas de históricos de
transações, que proporcionam valores-chave, chamados de “regras de ouro”, que
buscam apresentar fórmulas rápidas para o cálculo do valor da empresa, de acordo com
o setor de atuação, mas que utilizam poucas variáveis e não capturam as variabilidades e
individualidades do negócio.
Sob uma ótica diferenciada, sendo o objeto de estudo um problema real, a lógica
fuzzy, que compreende uma abordagem difusa e prevê o tratamento de informações
imprecisas ou vagas, ponderando o grau de pertinência de cada variável em diferentes
estados, surge como uma possibilidade de raciocínio a ser incorporado para a aplicação
da valoração de pequenas empresas.
2
1.1 Objetivos
1.1.1 OBJETIVO GERAL
O objetivo geral deste trabalho é apresentar os fundamentos e as propriedades da
lógica fuzzy, e usar esses conceitos para apoiar a proposição de um método para
valoração de pequenas empresas com utilização do raciocínio fuzzy, de forma a orientar
os empresários na avaliação do potencial e valor do seu negócio.
Vale destacar que a proposta deste trabalho não é propor um método substitutivo
àqueles tradicionais e consagrados na literatura e no mercado, mas sim utilizar um
conceito diferenciado, uma abordagem difusa, não exata, associada às variáveis
tradicionais utilizadas em valoração para que seja experimentada em casos reais,
verificando-se os resultados a serem atingidos e, possivelmente, o seu nível de eficácia
ou aplicabilidade à realidade.
1.1.2 OBJETIVOS ESPECÍFICOS
Apresentar conceitos fundamentais da lógica fuzzy, diferenças da lógica clássica e
raciocínio fuzzy utilizado para sua aplicação;
Compreender como a lógica fuzzy pode ser utilizada no tratamento de dados e
informações para valoração;
Formular e experimentar um modelo baseado em lógica fuzzy para valoração de
pequenas empresas;
Propor encaminhamentos e possíveis soluções para os problemas encontrados.
3
1.2 Metodologia
Para o desenvolvimento deste trabalho foi realizada uma revisão bibliográfica
sobre o tema em questão, tendo maior foco nos fundamentos da lógica fuzzy e
valoração, e, em seguida, foram realizados Experimentos sobre Casos específicos em
pequenas empresas.
A Figura 1 apresenta as abordagens realizadas para desenvolvimento da pesquisa,
A natureza desta pode ser considerada como pesquisa aplicada, pois se trata de
conhecimento com a intenção de resolver lacunas teórico-práticas. A abordagem
adotada foi tanto qualitativa, pois se procurou tratar informações de linguagem natural e
vagas, quanto quantitativa, pois foram utilizados variáveis e mecanismos que
atendessem ao raciocínio e matemática fuzzy.
Além disso, o objetivo deste estudo foi exploratório visto que procurou entender
melhor o problema ao explicitá-lo. Em termos de procedimentos técnicos, foi utilizada a
pesquisa bibliográfica como fonte de informações, além da experimentação para
construção e calibração do modelo e o estudo de caso que visa abordar a aplicação
prática do método proposto.
Figura 1 – Metodologia do trabalho
Fonte: Os autores
Adicionalmente, foi utilizado como suporte à aplicação do modelo fuzzy o
software MATLAB 7.10 R2010a, associado ao Fuzzy Toolbox, para viabilizar a
4
inserção dos dados e informações necessárias, execução dos cálculos, simulação e
obtenção de resultados.
1.3 Estrutura do Trabalho
O presente projeto de graduação está estruturado da seguinte forma:
Capítulo 1 – Introdução do contexto de desenvolvimento do trabalho,
apresentando também as principais informações referentes à sua lógica de construção,
contextualização da pesquisa, motivações, objetivos, metodologia e estrutura do
trabalho.
Capítulo 2 – Revisão conceitual sobre a lógica fuzzy, com destaque para aqueles
fundamentos que tiveram maior aplicabilidade no desenvolvimento do trabalho,
incluindo operações e raciocínio fuzzy.
Capítulo 3 – Revisão de conceitos e métodos de valoração, tendo maior foco no
contexto de pequenas empresas, apresentando algumas bases para o desenvolvimento do
trabalho sob a perspectiva financeira, incluindo uma abordagem sobre “regras de ouro”.
Capítulo 4 – Desenvolvimento do modelo de valoração de pequenas empresas
com base na lógica fuzzy, incluindo suas premissas, casos experimentais, variáveis,
regras e técnicas de raciocínio, resultados e discussão.
Capítulo 5 – Apresentação das conclusões acerca do tema e dos objetivos
previstos e direcionamento de aperfeiçoamentos do modelo e trabalhos futuros.
5
2 FUNDAMENTAÇÃO TEÓRICA – LÓGICA FUZZY
No dia a dia das pessoas, quando se diz que “alguma coisa” é lógica, tem-se essa
“alguma coisa” como uma verdade absoluta. Por exemplo: quando somamos 1 + 1, o
resultado esperado é lógico, ou seja, 1 (um) + 1 (um) = 2 (dois). Porém, a história revela
que até mesmo a “lógica” pode ser vista sob diferentes perspectivas, como será
explorado a seguir.
A lógica clássica desenvolvida por Aristóteles, ou lógica aristotélica, foi o
primeiro estudo formal sobre a estrutura do raciocínio. O emprego da lógica de
Aristóteles levou a uma linha de raciocínio lógico, baseado em premissas e conclusões.
Essa lógica trata as afirmações de forma binária, classificando-as como verdadeiras ou
falsas (MELO, 2009).
Há ainda as “lógicas complementares”, que são aquelas que respeitam os
princípios das lógicas clássicas, mas abrangem coisas fora do escopo destas, como a
dimensão temporal. Por outro lado, há também “lógicas alternativas” que rejeitam um
ou mais princípios da lógica clássica, como, por exemplo, o princípio da dicotomia,
lidando com mais de dois valores de verdade.
Ou seja, a matemática e as lógicas tradicionais já conseguiram mapear
satisfatoriamente um incontável número de processos de cálculo e decisão. Porém,
muitas experiências humanas necessitam de uma manipulação mais abrangente do que o
simples tratamento de falso ou verdadeiro, sim ou não, certo ou errado (JÚNIOR, 2002).
Vale ressaltar que, o trabalho de Zadeh (1965) teve uma profunda influência do
pensamento sobre incerteza, pois desafiou não só a teoria das probabilidades como a
representação exclusiva para a incerteza, mas os próprios fundamentos sobre os quais a
teoria da probabilidade foi baseado: lógica clássica binária (ROSS, 2010 apud KLIR &
YUAN, 1995).
Para entendimento claro das diferenças da lógica fuzzy para a teoria das
probabilidades, a primeira não trata da frequência da ocorrência de um evento, mas da
identidade de um objeto individual, seja real ou imaterial, que pode ou não ser membro
de uma população. É fato que tanto a teoria da probabilidade quanto a lógica fuzzy se
6
baseiam na incerteza, no entanto cada uma trata de incertezas de natureza
completamente diferentes (HARRIS, 2006).
Nesse contexto, a lógica fuzzy surge como uma alternativa para representar o
conhecimento comum, que na maioria é de tipo linguístico qualitativo e não
necessariamente quantitativo, em uma linguagem matemática através da teoria de
conjuntos fuzzy e funções características associadas a eles. Assim, as características
mais atrativas da lógica fuzzy são sua flexibilidade, sua tolerância com a imprecisão,
sua capacidade para modelar problemas não lineares e a sua base com a linguagem
natural (NIÑO, 2011).
Destacam-se algumas vantagens da lógica fuzzy em relação a outras técnicas:
robustez por não necessitar de entradas precisas, facilidade de modificação das regras,
ausência de modelos matemáticos complexos, rapidez e baixa necessidade de recursos
para obtenção de resultados, facilidade de implantação, dentre outros.
Os sistemas fuzzy são muito úteis em dois contextos gerais: (1) em situações que
envolvam sistemas altamente complexos cujos comportamentos não são bem
compreendidos, e (2) em situações em que é obtido um valor aproximado, porém mais
rápido, a solução é garantida (ROSS, 2010).
2.1 Teoria dos Conjuntos
Em conjuntos clássicos, ou crisps, a transição de um elemento no universo entre
membros e não membros em um dado conjunto é abrupta e bem definida. Para um
elemento em um universo que contém conjuntos fuzzy, a transição é gradual (ROSS,
2010).
Figura 2 – Conjunto Clássico X Conjunto Fuzzy
Fonte: Os autores
7
2.1.1 TEORIA CLÁSSICA DOS CONJUNTOS
A teoria clássica dos conjuntos, também conhecida como Teoria Crisp, define
um conjunto como uma coleção de objetos, que podem ser tangíveis ou intangíveis,
tendo atributos em comum ou não, como forma, cor, tipo, uso etc. Esta teoria permite
uma fácil visualização do fenômeno lógico que ocorre quando as coisas do mundo real
interagem.
Ainda sob a perspectiva da Teoria Crisp (Lógica Booleana), um determinado
elemento só pode ser classificado em dois estados possíveis:
Estado 1: Pertence ao conjunto;
Estado 2: Não pertence ao conjunto.
Assim, a partir do exemplo de Conjunto Clássico na Figura 2, podemos afirmar:
2.1.2 DEFINIÇÃO DOS CONJUNTOS FUZZY
O Conjunto Fuzzy generaliza a ideia dos conjuntos crisp. Isso porque, de acordo
com a teoria fuzzy, um elemento pode assumir mais do que simplesmente os dois
estados: “pertence” e “não pertence”. Assim, ainda sob a perspectiva fuzzy, os
elementos podem assumir estados em função da ideia de pertinência, estendida a um
intervalo Real [0,1], que expressa o quanto tal elemento pode pertencer ao conjunto. Ou
seja, cada elemento apresentará um grau de pertinência ( µ(X) ) ao conjunto fuzzy
analisado.
Assim, a partir do exemplo de Conjunto Fuzzy na Figura 2, podemos afirmar:
( )
( )
8
( )
A compreensão das relações de pertinência entre os elementos e os conjuntos
fuzzy é de suma importância para o entendimento das etapas que compreendem o
Raciocínio Fuzzy, assunto este que será descrito neste Projeto de Graduação. Por isso,
será apresentado o Princípio da Extensão de Zadeh e posteriormente será aprofundado o
conceito de pertinência nos próximos itens.
2.2 O Princípio da Extensão de Zadeh
O Princípio da Extensão de Zadeh é um conceito básico da teoria de lógica fuzzy
que sustenta a extensão das expressões matemáticas do domínio clássico ao domínio
fuzzy. Essa ferramenta permite calcular a imagem de um número fuzzy por meio de
uma função conhecida. Como ferramenta, é indispensável para a estruturação
matemática quando se modelam fenômenos envoltos em grande grau de incerteza
(MELO, 2009).
Será apresentado abaixo um exemplo para ilustrar e introduzir a aplicabilidade do
Princípio Extensão de Zadeh.
Exemplo: Dado uma função “ ” que indica a receita obtida com a venda de
docinhos em uma lanchonete, e “ ” representando a quantidade de docinhos
vendidos, tem-se que , pois o preço de cada docinho na lanchonete
é de R$ 2,00. Então, se foram vendidos 20 docinhos, e
, pois .
Assim, se o valor de “ ” fosse dado como um conjunto fuzzy, tal que:
; então:
Pode-se descrever o princípio de extensão da seguinte forma (MELO, 2009 apud
JAFELICE, 2004):
O grau de pertinência de um valor do contradomínio é definido
diretamente pelo grau de pertinência de sua pré-imagem.
9
Quando um valor do contradomínio é mapeado por vários do domínio, o
seu grau de pertinência é obtido pelo valor máximo dos graus de
pertinência dos valores de entrada.
2.3 Funções de Pertinência
Pode-se caracterizar um conjunto difuso no universo de discurso U, por uma
função de pertinência ou característica ( ), dentro do intervalo [0,1]. É através dela
que será determinado o quanto um determinado elemento pertence ao conjunto
(ZIMMERMAN, 1991).
Ou seja, através das funções de pertinência, é possível associar um grau de
pertencimento de um elemento a um determinado conjunto. No caso dos conjuntos
“crisp”, ela vale “1” (Sim) ou “0” (Não), conforme o elemento pertença ou não ao
conjunto de dados. Para os conjuntos fuzzy, a pertinência de um elemento x pode valer
entre ( ) . Os gráficos destas funções possuem, ainda, algumas definições
específicas.
Figura 3 – Pertinência a um Conjunto Fuzzy
Fonte: ROSS (2010)
Segundo ROSS (2010), existem três diferentes regiões relativas à função de
pertinência, de acordo com o seu grau de pertinência no universo em questão, são elas:
O principal (core) de uma função de pertinência para um conjunto fuzzy A é
definido como a região do universo em que se caracteriza por pertencer
10
completamente ao conjunto A. Inclui aqueles elementos x do universo em que
( )
O suporte (support) de uma função de pertinência para um conjunto fuzzy A é
definido como a região do universo em que se caracteriza por não pertencer ao
valor zero no conjunto A. Inclui aqueles elementos x do universo em que
( )
A fronteira (bounderies) de uma função de pertinência para um conjunto fuzzy
A é definido como a região do universo em que se caracteriza por não pertencer
ao valor zero no conjunto A, mas também não possui pertinência completa.
Logo, inclui aqueles elementos x do universo em que ( ) .
A função de pertinência, no geral, é contínua - podendo ser discreta em modelos
mais complexos - e, normalmente, é representada a partir de funções comuns como
triangular, trapezoidal, gaussiana, cauchy, sigmoide, gamma, pi, entre outras que
possam representar todas as informações contidas em um conjunto fuzzy. Será
apresentada abaixo, mais detalhadamente, a função triangular, pois ela será a função de
pertinência utilizada nos casos experimentais deste trabalho.
2.3.1 FUNÇÃO TRIANGULAR
Segundo HINES (1997), a função de pertinência triangular é definida pelos
parâmetros [a b c], onde “a” é o ponto onde a função intercepta o eixo x mais à
esquerda; o parâmetro “b” é o pico central, onde o grau é igual a 1 e “c” é a intercepção
à direita no eixo x. A função triangular pode ser representada da seguinte forma: y =
triângulo (x, [a b c]); além disso, seus parâmetros [a b c] devem ser variáveis discretas.
( ) ( (
) )
11
Figura 4 – Função de Pertinência Triangular
Fonte: HINES (1997)
2.3.2 FUNÇÃO TRAPEZOIDAL
Segundo KOHAGURA (2007), a função de pertinência trapezoidal é definida
pelos parâmetros [a b c d], conforme pode ser observado na fórmula, onde a < b < c < d.
( ) ( (
) )
Abaixo está ilustrado o gráfico referente à função de pertinência trapezoidal onde
[a b c d] = [5, 20, 30, 45].
Figura 5 – Função de Pertinência Trapezoidal
Fonte: Os autores
20 30 40 500 10
0.2
0.3
0.4
0.5
0.6
0.7
0.8
10.9
0.1
X
12
2.3.3 FUNÇÃO GAUSSIANA
Segundo KOHAGURA (2007), a função de pertinência gaussiana é definida pelos
parâmetros [a b c], conforme pode ser observado na fórmula.
( )
( )
Abaixo está ilustrado o gráfico referente à função de pertinência gaussiana.
Figura 6 – Função de Pertinência Gaussiana
Fonte: Os autores
Além das funções de pertinência, as operações entre conjuntos fuzzy também são
fundamentais para entendimento da lógica fuzzy. Por esse motivo, aprofundaremos no
próximo item, a temática de operações entre conjuntos, desde as que dizem respeito à
aritmética (soma, subtração, multiplicação e divisão), quanto ao relacionamento
tradicional de conjuntos como: união, interseção e complemento.
2.4 Operações Fuzzy - Conjuntos
Os conjuntos fuzzy, assim como a teoria dos conjuntos clássica, também possuem
um conjunto de operações básicas, dentre elas, destacam-se aqui: a união, a interseção e
o complemento. Vale destacar que ainda existem outras operações de conjuntos fuzzy,
que são definidas a partir de generalizações destas, como operações de agregação,
média, média pondera etc. (ROSS, 2010).
Neste contexto, a intenção dos próximos tópicos é apresentar brevemente a lógica
geral destas operações, apresentando o conceito e utilizando-se de exemplos reais que
facilitem o entendimento da operação.
20 30 40 500 10
0.2
0.3
0.4
0.5
0.6
0.7
0.8
10.9
0.1
X
13
Para todos os casos, serão considerados dois conjuntos fuzzy distintos A e B,
pertencentes a um universo X. A partir de um elemento x do universo, apresentam-se
abaixo as respectivas funções teóricas das operações básicas.
Tabela 1 – Operações em Conjuntos Fuzzy
Operação Representação
União ( ) ( ) ( ) ( ) ( )
Interseção ( ) ( ) ( ) ( ) ( )
Complemento ( ) ( )
Fonte: Os autores
2.4.1 UNIÃO DE CONJUNTOS FUZZY
Esta operação expressa de uma forma condicional exclusiva o maior valor
referente ao grau de pertinência dos elementos contidos entre um ou mais conjuntos
fuzzy. A união de dois conjuntos fuzzy A e B configuram um conjunto A B tal que:
( ) ( ) ( ) ( ) ( )
Abaixo é possível visualizar um exemplo de representação gráfica da operação de
união nos conjuntos fuzzy.
Figura 7 – Operação de União Fuzzy
Fonte: Os autores
14
2.4.2 INTERSEÇÃO DE CONJUNTOS FUZZY
Esta operação expressa de uma forma condicional inclusiva e obrigatória o menor
valor referente ao grau de pertinência dos elementos contidos entre um ou mais
conjuntos fuzzy. A interseção de dois conjuntos fuzzy A e B configuram um conjunto A
B tal que:
( ) ( ) ( ) ( ) ( )
Abaixo é possível visualizar um exemplo de representação gráfica da operação de
interseção nos conjuntos fuzzy.
Figura 8 – Operação de Interseção Fuzzy
Fonte: Os autores
2.4.3 COMPLEMENTO DE CONJUNTOS FUZZY
Esta operação expressa o valor inverso relativo ao grau de pertinência dos
elementos de um conjunto fuzzy. O complemento do conjunto fuzzy A configuram um
conjunto A’ tal que:
( ) ( )
Abaixo é possível visualizar um exemplo de representação gráfica da operação de
complemento nos conjuntos fuzzy.
15
Figura 9 – Operação de Complemento Fuzzy
Fonte: Os autores
2.5 Aritmética Fuzzy
Além das operações expostas no item anterior (união, interseção e complemento),
os conjuntos fuzzy também podem sofrer operações aritméticas, das quais serão
apresentadas: soma, subtração, produto escalar e divisão. Todas essas operações são
importantes para o tratamento das variáveis fuzzy durante a execução do raciocínio
fuzzy.
2.5.1 SOMA DE CONJUNTOS FUZZY
Considerando os números fuzzy A e B, executa-se a operação aritmética de soma
resultando no número fuzzy Z. Assim, representamos abaixo o resultado da operação
A+B=Z e sua respectiva função de pertinência:
( )( ) ( )
( ) ( )
2.5.2 SUBTRAÇÃO DE CONJUNTOS FUZZY
A operação de subtração A – B tem como resultado o número fuzzy cuja função
de pertinência apresenta-se abaixo:
( )( ) ( )
( ) ( )
16
2.5.3 MULTIPLICAÇÃO DE CONJUNTOS FUZZY
Considerando os números fuzzy A e B, executa-se a multiplicação entre esses dois
números. Assim, representamos abaixo a função de pertinência da operação A • B:
( )( ) ( )
( ) ( )
2.5.4 DIVISÃO DE CONJUNTOS FUZZY
Considerando os números fuzzy A e B, executa-se a multiplicação entre esses dois
números. Assim, representamos abaixo a função de pertinência da operação A / B:
( )( ) ( )
( ) ( )
Essas operações entre conjuntos fuzzy, bem como os conceitos de função de
pertinência e variável linguística, são fundamentais para a compreensão e
operacionalização dos três passos que compõem o raciocínio fuzzy, que serão
detalhados no próximo tópico deste projeto de fim de curso.
2.6 Raciocínio Fuzzy
O raciocínio fuzzy é composto por três passos: a fuzzificação, a inferência e a
defuzzificação. Este raciocínio é utilizado para resolução de problemas, uma vez que,
através dos seus três passos, tratam-se variáveis de entrada, estabelecem-se
relacionamentos e implicações entre essas variáveis, resultando, por fim, em ordens de
comando. Ou seja, a partir de um problema, o raciocínio fuzzy é orientado a um
objetivo, e este objetivo que norteia tais ordens de comando.
A seguir apresentamos o esquema do raciocínio fuzzy, elaborado pelos autores
deste trabalho, mas que segue a mesma estruturação de vários outros trabalhos sobre
lógica fuzzy que podem ser facilmente encontrados na internet. Cada passo será
detalhado nos próximos itens deste trabalho.
17
Figura 10 – Raciocínio Fuzzy
Fonte: Os autores
2.6.1 VARIÁVEIS LINGUÍSTICAS
Antes de descrever cada um dos três passos do raciocínio fuzzy, é de fundamental
importância a clara compreensão do que é uma variável linguística. Variáveis
linguísticas são aquelas cujos valores assumidos são expressos por palavras ou
sentenças em linguagem natural. Esses valores, que uma variável linguística pode
assumir, são definidos por conjuntos fuzzy cujas funções de pertinência possuem
intercessões e cobrem todo o intervalo de valores possíveis para a variável (CASTRO,
2005).
De modo a facilitar a compreensão do que é uma variável linguística e dos valores
que ela pode assumir, podemos utilizar como exemplo a descrição da inclinação de uma
ladeira em determinado bairro. Neste caso, a variável linguística é a inclinação da
ladeira e os valores que essa variável pode assumir são: muito íngreme, íngreme e
pouco íngreme. A descrição da ladeira a olho nu nos impede de determinar com
precisão a inclinação dela, ou seja, dificilmente acertaríamos definir que a ladeira tem
30° de inclinação, por exemplo. Assim, não tratamos a inclinação da ladeira como uma
variável numérica (n° de graus), mas sim como uma variável linguística, cujos valores
(cada um sendo um conjunto fuzzy) são menos precisos: muito íngreme, íngreme e
pouco íngreme.
18
Vale destacar que, na linguística, adjetivos e advérbios costumam ser usados para
modificar a interpretação original de alguns termos, como muito, pouco, baixo, alto,
novo, velho, mais, menos, aproximadamente, praticamente, maioria, dentre outros.
Usando conjuntos fuzzy para calcular a interpretação, estes artifícios linguísticos
possuem o efeito de modificar a função de pertinência de um termo original (ROSS,
2010).
Assim, como será visto nos próximos tópicos sobre as etapas do raciocínio fuzzy,
uma das vantagens da lógica fuzzy é a possibilidade de utilizar variáveis não numéricas,
ou imprecisas, de modo que sejam tratadas no modelo, tornando-as comparáveis às
variáveis numéricas que também poderão estar presentes no desenvolvimento do
raciocínio fuzzy.
2.6.2 FUZZIFICAÇÃO
Conforme explicitado pelo esquema do raciocínio fuzzy, o primeiro passo do
processo é a fuzzificação. Nesta fase, para cada dado numérico “inserido” no sistema
fuzzy, há a ativação de uma função de pertinência, e, assim, esses inputs são mapeados
para conjuntos fuzzy, onde assumem valores fuzzy, de linguagem natural. Portanto, na
fuzzificação, ao dado numérico “inserido” no sistema é atribuída uma variável fuzzy e,
assim, cada variável fuzzy pode assumir diferentes valores fuzzy.
Por exemplo, ao dado numérico referente a quantos anos de vida tem uma pessoa,
pode ser atribuída a variável fuzzy “idade”. Essa variável fuzzy pode assumir diferentes
valores fuzzy como: “novo”, “jovem” e “velho”. Para cada valor fuzzy haverá uma
função de pertinência que determinará o quanto a idade da pessoa informada é
pertinente às classificações de “novo”, “jovem” ou “velho”.
Como segundo exemplo, podemos considerar o dado numérico referente à
velocidade máxima que uma pessoa pode correr. A esse valor numérico, atribuímos a
variável fuzzy “velocidade”. Essa variável pode assumir diferentes valores fuzzy como:
“tartaruga”, “razoável” e “veloz”.
19
2.6.3 INFERÊNCIA
A partir do resultado da fuzzificação, que revela o grau de pertinência dos valores
fuzzy obtidos a partir das variáveis numéricas de entrada, é realizada a inferência.
Portanto, a inferência é o segundo passo do raciocínio fuzzy, onde são estabelecidas
regras do tipo SE-ENTÃO, de modo a mapear os valores fuzzy resultados da
fuzzificação para novos conjuntos.
Dados dois conjuntos fuzzy A e B e os respectivos complementares A’ e B’, para
a realização da inferência fuzzy existem dois procedimentos de inferência entre esses
conjuntos, o Modus Ponens Generalizado (MPG) e o Modus Tollens Generalizado
(MTG). O MPG tem a seguinte regra: se x é A então y é B. Esta regra permite a
implicação de valores fuzzy que são, se x é A’ então y é B’. O MTG tem a seguinte
regra: se x é A então y é B, que permite a implicação: se y é B’ então x é A’.
(CARVALHO et al., 2011)
Assim, sob a luz dos exemplos citados no item sobre fuzzificação, serão
consideradas duas variáveis fuzzy: idade e velocidade. A interação dessas duas
variáveis, na fase da inferência, resultará em uma nova variável fuzzy “diagnóstico”,
cujos valores fuzzy assumidos serão: “normal” e “estranho”. Portanto, através da
interação entre os valores fuzzy, num relacionamento de SE-ENTÃO, pode ser
construída uma estrutura de inferência, conforme será mostrada a seguir:
Tabela 2 – Exemplo de Estrutura de Inferência
SE idade é novo E velocidade é tartaruga ENTÃO condição é normal SENÃO;
SE idade é novo E velocidade é razoável ENTÃO condição é normal SENÃO;
SE idade é novo E velocidade é veloz ENTÃO condição é normal SENÃO;
SE idade é jovem E velocidade é tartaruga ENTÃO condição é estranho SENÃO;
SE idade é jovem E velocidade é razoável ENTÃO condição é normal SENÃO;
SE idade é jovem E velocidade é veloz ENTÃO condição é normal SENÃO;
SE idade é velho E velocidade é tartaruga ENTÃO condição é normal SENÃO;
SE idade é velho E velocidade é razoável ENTÃO condição é normal SENÃO;
SE idade é velho E velocidade é veloz ENTÃO condição é estranho;
Fonte: Os autores
Assim como as variáveis “idade” e “velocidade”, a variável fuzzy “diagnóstico”
também apresenta diferentes funções de pertinência para cada um de seus valores fuzzy.
Desta forma, destaca-se aqui, que os inputs para o processo de inferência são os valores
20
recebidos da fuzzificação (referentes às variáveis “idade”, “velocidade”) e os valores de
saída contidos na estrutura de inferência (referente à variável “diagnóstico”). O
resultado da operação de implicação fuzzy é o dado de saída da relação de implicação.
Abaixo estão listadas algumas operações de implicação:
Figura 11 – Operações de implicação
Fonte: HINES (1997)
2.6.4 DEFUZZIFICAÇÃO
A defuzzificação é um procedimento que permite interpretar a distribuição de
possibilidades da saída de um modelo linguístico fuzzy de forma quantitativa, ou seja,
fornece um valor num risco representativo que captura o significado essencial dessa
distribuição de possibilidades (MELO, 2009).
O objetivo da defuzzificação é obter um único valor numérico que melhor
represente os valores fuzzy inferidos da variável linguística de saída. Para isso, existem
diversos métodos de defuzzificação. Dado essa variedade de formas de defuzzificação, a
escolha do método mais adequado deve ser em função da natureza do problema que se
quer resolver.
Dentre os métodos de defuzzificação, se destaca aqui os mais comuns: método
centroide, método máximo e método da média dos máximos. De acordo com a revisão
bibliográfica realizada, o método centroide é o mais aplicado e será objeto de uso nos
casos experimentais deste trabalho.
Método Centroide
Este método, também conhecido como “Centro da Área” ou “Centro de
Gravidade”, é o método mais comumente usado. Esta técnica de defuzzificação
21
encontra o centro geométrico dos valore de saída fuzzy. A coordenada x do centro de
gravidade, formada pelo conjunto fuzzy resultado da etapa de inferência, é o valor
defuzzificado capaz representativo de todo o processo do raciocínio fuzzy. Abaixo é
apresentada a fórmula e uma figura ilustrativa desse método.
( ) ∫ ( )
∫ ( )
Figura 12 – Defuzzificação pelo Método Centróide
Fonte: CASTRO (2005)
Como exemplo, considerando uma variável de saída chamada “condição física”,
que relaciona três variáveis de entrada “peso”, “altura” e “idade”. Ao final do raciocínio
fuzzy, na defuzzificação, o resultado após aplicação do método centroide deve ser um
número que indica o seguinte comando, “perder 8kg”.
3 VALORAÇÃO DE PEQUENAS EMPRESAS
As características específicas de uma pequena empresa têm implicações profundas
no seu processo de avaliação. Na realidade, o levantamento das informações financeiras,
a interpretação de indicadores, e a própria aplicação dos métodos de avaliação mais
comuns são atividades que têm de ser adaptadas a um contexto caracterizado por uma
forte interdependência entre a "esfera pessoal" do empresário e a "esfera empresarial"
(JESUS et al., 2001).
Neste contexto, é importante abordar o assunto sob uma forma técnica, mas
também considerando outros fatores intrínsecos da realidade dos empreendedores para
que se tenha maior amplitude neste entendimento. Desta forma, incialmente, são
22
apresentadas as principais categorias dos métodos de valoração praticados, assim como
a aplicabilidade e dificuldade destas abordagens para a realidade de pequenas empresas.
Além disso, mesmo não definido especificamente como um método de valoração, é
válido considerar como podem ser usadas as chamadas “regras de ouro”, que definem
valores de referência baseados em experiências e bases históricas de ocorrências
associadas à avaliação, compra e venda de pequenas empresas em diversos setores.
3.1 Visão Geral sobre os Métodos de Valoração
Os métodos de valoração utilizados para determinar um valor de referência para
determinado negócio podem variar de acordo com a abordagem definida para a análise.
Dentre as categorias principais estão os métodos baseado em ativos e custos, mercado e
retorno.
Para os métodos baseados em ativos e custos, que podem ser chamados também
de métodos baseados no valor contábil, a base está no levantamento e avaliação dos
valores envolvidos sobre os ativos tangíveis e intangíveis da empresa, além da sua
estrutura de custos. Por possibilitar uma avaliação estritamente interna, esses métodos
tendem a serem utilizados somente como uma base ou referência mínima, mas que
precisa de algum refinamento ou adoção de outro método com visão externa para que se
tenha maior assertividade na estimativa e, ainda, haja possibilidade de se alavancar o
valor de mercado.
Para os métodos baseados em mercado, que podem ser chamados também de
métodos múltiplos ou de avaliação relativa, a base está na comparação da empresa em
questão com outras similares ou de referência no mesmo setor de atuação. Por não ter
um foco estritamente na análise das condições internas do negócio, as análises
comparativas devem considerar as diferenças entre os negócios, desde questões ligadas
a infraestrutura disponível, pessoal envolvido, escopo de atuação, tempo de existência,
localização, condições financeiras, dentre outros para que possam ser realizados ajustes
nos valores de referência, para que sejam definidas estimativas próximas à realidade da
empresa que está sendo avaliada.
Para os métodos baseados em retorno, a base está na estimativa de valores
projetados como receita e fluxo de caixa no futuro. No geral, se busca obter o valor
presente esperado a partir do comportamento e desempenho do negócio após a decisão
23
de investimento de aquisição ou continuação de determinada empresa. Estes métodos de
valoração costumam ser os mais comuns e apropriados para aplicação, principalmente
quando existem históricos e informações estruturadas sobre o negócio, além de uma
clareza sobre a tendência de desempenho da empresa.
3.2 Aplicabilidade da Valoração de Pequenas Empresas
Em termos gerais, a aferição do valor de uma empresa pode ser efetuada
recorrendo a diferentes métodos, uns mais aplicáveis do que outros, em função das
circunstâncias. Porém, no contexto específico das Pequenas Empresas, todos eles
deparam com dificuldades, em alguns casos que até inviabilizam a aplicação do método.
De uma forma geral, destacando algumas destas questões, segundo JESUS et al. (2001)
e SANTOS (2004):
os métodos baseados em ativos colidem com a eventual inexistência de
patrimônio concreto, dado que, em muitos casos, é comum a essência deste tipo
de organizações estar em ativos intangíveis, como, por exemplo, as
características pessoais do proprietário-gestor ou conhecimentos específicos;
os métodos baseados em avaliação comparativa, com recurso a "múltiplos de
mercado" não é possível, seja pelas "características exclusivas" da empresa, seja
pelas diferenças induzidas pelo próprio fator dimensão. Sliwoski (1999) sugere a
utilização de bases de dados históricos das transações efetuadas, aplicando,
posteriormente, relações entre as vendas e os preços; todavia, um método deste
tipo é demasiado simplista, ao considerar um único fator (ex. o volume de
vendas), num cenário em que as influências sobre o valor da empresa podem
resultar de diversos elementos e ainda ao ignorar todas as futuras alterações nos
"multiplicandos", sejam estes quais forem;
os métodos de avaliação "mais recentes", tentativas de resposta a cada vez maior
importância dos ativos intangíveis, não dispensam uma "base de informação
sólida", que implica o acesso a dados que vão muito além dos geralmente
contidos nos relatórios financeiros;
os modelos baseados na atualização ou projeto de receitas futuras, não são
aplicáveis às pequenas empresas, organizações que, na generalidade dos casos,
não distribuem os resultados, tendo em vista o autofinanciamento das suas
24
atividades. Neste contexto, o Fluxo de Caixa Descontado (FCD) possui
limitações ligadas à sua incapacidade em captar a flexibilidade gerencial no
decorrer do período. Dixit e Pindyck (1995) fazem severas críticas ao FCD por
tratar o investimento como uma obrigação irreversível e principalmente por não
conseguir captar o valor da flexibilidade gerencial no decorrer do projeto à
medida que novas informações vão sendo recebidas.
De acordo com PAIVA (2001) apud PRATT, REILLY e SCHWEIHS (1993),
enquanto que na teoria os procedimentos e as abordagens genéricas de avaliação de
pequenas e grandes empresas sejam os mesmos, na prática é necessário levar em
consideração algumas diferenças entre estes dois tipos de negócios:
a. Pequenos negócios têm em geral um nível de tratamento contábil pouco
profissional, usualmente não auditado ou revisto;
b. É mais comum uma contabilidade em regime de caixa do que em regime de
competência;
c. A análise dos lucros nas pequenas empresas é frequentemente mostrada antes
de impostos, enquanto que nas grandes empresas os lucros são após os
impostos;
d. Os dados históricos das operações são geralmente mais curtos e não tão
confiáveis do que em grandes empresas;
e. Quanto menor a empresa, menor a quantidade de dados de comparação com
empresas similares que sejam publicamente disponíveis;
f. Os proprietários e os administradores (e até os funcionários) em geral são as
mesmas pessoas nas empresas pequenas. Deve-se levar em consideração se o
sucesso do negócio não depende em grande parte de habilidades pessoais dos
mesmos e que pode "ir embora" com a transferência de proprietário;
g. A compensação dos proprietários de uma pequena empresa é uma variável
muito importante e geralmente segue os lucros ou fluxo de caixa da empresa e
não as taxas de mercado;
h. A compra e venda de pequenas empresas é feita por outras motivações que as
de investimento estritamente financeiro;
i. Pequenos negócios têm em geral uma estrutura de capital mais simples.
25
3.3 Regras de Ouro para Valoração de Pequenas Empresas
A “Regra de Ouro” é um princípio com ampla aplicação que não tem o objetivo
de ser estritamente exato ou confiável. É um procedimento de fácil entendimento e
aplicação para o cálculo ou determinação de determinados valores. A definição das
“regras de ouro”, de acordo com cada realidade que está sendo estudada, segue regras
heurísticas ou empíricas, em que se captam diferentes ocorrências práticas que irão
determinar estas regras.
“Regras de ouro” podem ser úteis no desenvolvimento de uma impressão inicial
sobre o valor do interesse do negócio em questão. Certamente, as “regras de ouro” não
substituem análises sobre as reais informações da empresa, no entanto, a utilização e
aplicação das “regras de ouro” como um passo inicial pode proteger os envolvidos de
despesas desnecessárias na fase de avaliação e dar uma base ou percepção sobre a
ordem de grandeza e possível variação do seu valor.
Como forma de apresentação de importantes referências que tratam destas regras,
foi realizado um levantamento das “regras de ouro” aplicáveis a diversos setores de
atuação de pequenas empresas, conforme apresentado na Tabela 3. Vale destacar que
elas representam o procedimento necessário para cálculo do valor do negócio.
Como exemplo, uma Franquia que vende R$ 500.000,00 anuais, de acordo com
WEST (2002), 50-60% vendas anuais, deveria valer entre R$ 250.000,00 e R$
300.000,00.
Tabela 3 – “Regras de Ouro” para Valoração de Pequenas Empresas
Categoria do
Negócio WEST, 2002
Pratt’s Stats,
1997
BIZCOMPS,
1997 COHEN, 1996
Agências de
Viagem
35% das
vendas anuais
+ estoque
12-86% das
vendas anuais
2-93% das
vendas anuais
40-60% das
comissões anuais
Drogarias
25-40% das
vendas anuais
+ estoque
5-57% das
vendas anuais
5-19% das
vendas anuais n/a
Firmas de
Contabilidade
40-110% das
vendas anuais
40-149% das
vendas anuais
4-167% das
vendas anuais
100-125% das
vendas anuais
26
Franquias de
Fast Food
50-60% das
vendas anuais
29-98% das
vendas anuais
9-142% das
vendas anuais
40-50% das
vendas anuais
Lavanderias
70-80% das
vendas anuais
+ estoque
45-106% das
vendas anuais n/a
70-100% das
vendas anuais
Mercados /
Mercearias
1-2x vendas
mensais ou
11% vendas
anuais
6-27% das
vendas anuais
1-74% das
vendas anuais
11-18% das
vendas anuais +
estoque
Restaurantes /
Cafes
30-35% das
vendas anuais
+ estoque
18-112% das
vendas anuais
4-146% das
vendas anuais
30-45% das
vendas anuais +
estoque
Serviços de
Automóveis
25-30% das
vendas anuais
+ estoque
9-40% das
vendas anuais
1-58% das
vendas anuais n/a
Serviços de
Beleza e
Estética
n/a n/a 1-55% das
vendas anuais
15-25% do lucro
anual + R$ 5 mil
por estação
Serviços
Dentários
50-70% das
vendas anuais
18-93% das
vendas anuais n/a
60-70% das
vendas anuais
Serviços
Médicos
40-45% das
vendas anuais
+ estoque
14-170% das
vendas anuais n/a n/a
Serviços
Varejistas
25-50% das
vendas anuais
+ estoque
1-88% das
vendas anuais
1-309% das
vendas anuais
25-50% das
vendas anuais +
estoque
Fonte: WEST (2002); PRATT (2000); COHEN (1996)
A escolha das categorias de negócios apresentadas foi baseada unicamente na
disponibilidade de informações de referência, ou seja, acesso aos valores de duas ou
mais fontes.
Por mais que as referências de regras de ouro sejam baseadas em estatísticas
históricas de transações reais de compra e venda de pequenas empresas, este modelo
possui algumas limitações, pois utiliza poucas variáveis do negócio como referência e
dificulta o tratamento de informações não financeiras que podem ser extremamente
importante na avaliação, não possibilitando uma individualização no tratamento de cada
negócio.
27
4 MODELO FUZZY PARA VALORAÇÃO DE PEQUENAS EMPRESAS
4.1 Contexto
Atualmente, existem diferentes modelos quantitativos exatos que apoiam a
definição de um valor justo a determinado objeto de estudo. Dos mais simples e
acurados, aos mais complexos e precisos, existe um fator que não costuma ser tratado
por essas abordagens. Este fator consiste na percepção, estimativa e avaliação
imprecisa, que representam fatores qualitativos, naturais, que muitas vezes acabam
deixando de ser tratados ou são aproximados sem uma lógica clara e específica.
Isto pode se aplicar a qualquer tipo de modelo, dentre eles, aquele que está sendo
tratado neste trabalho, a valoração de pequenas empresas. Para tal, optou-se por utilizar
a lógica fuzzy (difusa) como base para tratamento das variáveis, obviamente, suportadas
por relações de entradas e saídas condizente com os resultados esperados.
Considerando este modelo como um teste inicial para a obtenção de um valor
razoável de compra e venda de empresas, foi necessário assumir um conjunto de
premissas, a serem apresentadas em seguida.
4.2 Premissas
Para a construção do modelo a partir da fuzzificação das variáveis, foi adotada a
metodologia intuitiva. Esta metodologia deriva da capacidade humana para desenvolver
funções de pertinência através da sua inteligência e amplitude de compreensão do
processo (ZADEH, 1972).
Através da intuição espera-se capturar o conhecimento semântico e contextual a
respeito das ambiguidades dos parâmetros utilizados no modelo e suas implicações no
processo de inferência. O fator semântico está relacionado com a definição dos valores
linguísticos utilizados no ambiente de estudo, que definem os conjuntos fuzzy das
variáveis linguísticas através do senso comum. Já a abordagem contextual envolve a
determinação do intervalo de variação do valor do parâmetro em cada um dos valores
semânticos, definindo inclusive suas interseções (CASTRO, 2005).
28
Além disso, no contexto da definição dos valores a serem trabalhados para as
variáveis de entrada e saída do modelo, de forma a restringir a variabilidade das
informações e recortar o escopo de empresas que se enquadrariam, foi definida uma
premissa associada à característica de capacidade financeira da empresa, traduzida nos
limites de faturamento. Para tal, utilizaram-se dados de referência do Serviço Brasileiro
de Apoio às Micro e Pequenas Empresas (SEBRAE), que apresenta a média de
faturamento das pequenas empresas brasileiras, referente ao ano de 2011, em
aproximadamente R$ 650.000,00 anuais. Dado isto, o range de referência para
tratamento varia entre R$ 0,00 e R$ 650.000,00.
Adicionalmente, os valores dos casos experimentais que nortearão o
desenvolvimento do modelo também serão utilizados para restringir os limites que serão
adotados para levantamento das variáveis e valoração do negócio.
3.1 Modelagem do método
Para a modelagem do método proposto, serão utilizadas as técnicas associadas à
lógica fuzzy, tendo como base o raciocínio fuzzy e utilizando as operações e aritmética
fuzzy. Além disso, serão criadas relações entre as diferentes variáveis, tendo como
objetivo alcançar um modelo de aplicação abrangente e aderente a diferentes realidades
de estudo.
Inicialmente, foram definidas as principais etapas utilizadas para desenvolvimento
do método e, em seguida, estruturados todos os dados e informações relativas à
valoração.
A construção do modelo de valoração em desenvolvimento baseado na lógica
fuzzy, deve ser realizada em diferentes etapas, a partir das informações e análises e
decisões que necessitam ser realizadas para cumprimento da aplicação dos fundamentos
fuzzy na realidade em estudo. As etapas a serem cumpridas estão relacionadas abaixo.
a. Identificação da estrutura da variável de saída do modelo responsável por
realizar a valoração da empresa analisada. Esta variável será a responsável por
estimar o valor do negócio, a ser utilizado como referência para venda do
mesmo;
29
b. Identificação preliminar das variáveis de entrada do modelo, que deverão
compor os fatores necessários ao resultado final. É importante que o modelo
contenha as principais variáveis que podem influenciar de forma considerável no
interesse pelo negócio e, por consequência, no seu valor;
c. Elaboração das funções de pertinência das variáveis do modelo, tanto de saída
quanto de entrada. Todas as variáveis descritas nas etapas (a) e (b) devem ser
modeladas como variáveis linguísticas devendo possuir conjuntos fuzzy que as
representem;
d. Determinação das regras que relacionam as diferentes variáveis de entrada e
geram a variável de saída. Estas regras definem as condições, definidas pela
percepção dos autores junto a buscas de referências e visão de especialistas, que
possibilitam o “cálculo” da lógica fuzzy;
e. Identificação das técnicas de inferência e defuzzifucação a serem utilizadas no
modelo. Conforme exposto no capítulo 2.6, existe uma variedade de técnicas que
podem ser utilizadas no processo de raciocínio fuzzy. A seleção das técnicas
deve ser feita pelo responsável pela análise, de acordo com a sua percepção de
aderência à realidade tratada e assertividade para o modelo;
f. O teste do protótipo visa identificar, inicialmente, os resultados que estão sendo
obtidos para as variáveis de saída, considerando os valores e funções de
pertinência pré-determinados para o modelo proposto. Estas definições deverão
ser alteradas, em seguida, de acordo com a necessidade e calibração dos
resultados esperados;
g. Após os primeiros resultados obtidos no teste do protótipo do modelo, foi
realizada a análise de sensibilidade sobre as variáveis envolvidas, tendo em vista
o parâmetro dos casos utilizados como referência e a expectativa de resultados
obtidos com a aplicação das “regras de ouro” de valoração para estes casos.
Logo, o ajuste do modelo fuzzy foi obtido a partir de um conjunto iterações
entre as variáveis no MATLAB, de modo que o resultado final estivesse
aderente aos resultados esperados;
h. Por fim, a validação do modelo consiste na avaliação de aplicabilidade do
modelo fuzzy de apoio à decisão para valoração de pequenas empresas, obtendo
os resultados, comparando-o com os resultados esperados e identificando os
pontos de melhoria.
30
Figura 13 – Etapas de elaboração do modelo fuzzy
Fonte: Os autores
Para a elaboração de outros modelos, utilizando a lógica fuzzy, as etapas descritas
são uma importante referência que pode ajudar a orientar a sequência pela qual devem
ser desenvolvidos e aperfeiçoados os componentes do modelo.
4.3 Experimento da Valoração Fuzzy
O desenvolvimento do procedimento experimental busca aplicar as definições
iniciais do método nos casos reais para que sejam realizadas, posteriormente, diferentes
iterações entre as informações das variáveis de entrada da fuzzificação e os resultados
das variáveis de saída da defuzzificação até que fosse obtido um modelo único, que
atendesse satisfatoriamente a todos os casos experimentais.
4.3.1 BASE DO EXPERIMENTO
As informações obtidas para realização dos casos experimentais deste trabalho
foram obtidas na Bolsa Brasil de Negócios, um canal de Business Brokers, responsável
por proporcionar a intermediação de compra e venda de empresas. Para fins de estudo,
31
foram identificadas empresas localizadas na cidade do Rio de Janeiro, com perfil de
pequena empresa e que disponibilizassem informações suficientes, quantitativas e
qualitativas, para teste do modelo.
Foram escolhidas três empresas que estivessem enquadradas dentro dos requisitos
e premissas previamente apresentadas e que disponibilizassem informações suficientes
para que pudessem ser usadas na experimentação.
Caso Experimental 1 – Restaurante Japonês
Contexto
Motivação da venda devido à mudança de cidade do atual proprietário.
“Atendemos no salão com capacidade para 35 pessoas, no bar molhado da piscina,
delivery com motoboy, recebemos encomendas para festas. Culinária Japonesa Rodízio
e a la carte. Forte potencial para delivery. O Contrato é de comodato, não há aluguel.
Segurança Total, pois funciona dentro de um condomínio”.
Referências para a Valoração Fuzzy
Algumas informações relevantes sobre o negócio: faturamento mensal médio (R$
35.000,00), ano de fundação (2009), valor de estoque (R$ 5.000,00), localização (Barra
da Tijuca, Rio de Janeiro/RJ), categoria do negócio (Restaurantes e Bares). A
expectativa do proprietário do restaurante quanto ao valor esperado com a venda é de
R$ 130.000,00.
Em adição, baseado no método “Regra de Ouro” para valoração, considerando os
dados expostos acima e a referência apresentada no Capítulo 3.3, o valor obtido para o
negócio estaria entre R$ 131.000,00 e R$ 194.000,00 (30-45% das vendas anuais +
estoque).
Caso Experimental 2 – Livraria
Contexto
Motivação da venda devido à mudança de cidade do atual proprietário.
32
“Livraria muito conhecida na cidade de Niterói e única do porte na Região
Oceânica. 11 anos no mercado. Ótimo relacionamento com fornecedores (editoras e
distribuidores). Grande acervo próprio e consignado. Sistema de administração e vendas
incluindo catálogo editorial com 500.000 títulos atualizado diariamente. Localizada no
único shopping da Região Oceânica. Baixo valor de aluguel e condomínio (sem parcelas
de 13º e royalties). Ramo de atividade isento de ICMS e IPI. Crescimento médio de
10% ao ano. Feiras externas em escola de toda cidade, com vendas direto a escolas”.
Referências para a Valoração Fuzzy
Algumas informações relevantes sobre o negócio: Faturamento mensal médio (R$
65.000,00), ano de fundação (1999), valor de estoque (R$ 400.000,00), localização
(Piratininga, Niterói/RJ), categoria do negócio (Serviços Varejistas). A expectativa do
proprietário da livraria quanto ao valor esperado com a venda é de R$ 620.000,00.
Em adição, baseado no método “Regra de Ouro” para valoração, considerando os
dados expostos acima e a referência apresentada no capítulo 3.3, o valor obtido para o
negócio estaria entre R$ 595.000,00 e R$ 790.000,00 (25-50% das vendas anuais +
estoque).
Caso Experimental 3 – Centro Técnico de Formação em Beleza e Estética
Contexto
Motivação da venda devido à proximidade da aposentadoria.
“Negócio muito interessante, cursos, treinamentos, equipamentos, tudo
relacionado à beleza e estética reunido num único centro. A empresa é também
franqueadora de seu conceito. Negócio tradicional e muito bem localizado, com
instalações muito boas. Webiste para venda de produtos. Prestação de serviços
educacionais no ramo de estética e beleza, com uma programação de 40 cursos
diferentes. Diferencial do negócio: Não tem crise, viabilidade de franquia, pode crescer
ainda mais de 300%. Posso dar assessoria por mais 6 meses sem cobrar nada”.
Algumas informações relevantes sobre o negócio: Faturamento mensal médio (R$
60.000,00), ano de fundação (1999), valor de estoque (R$ 80.000,00), localização
33
(Méier, Rio de Janeiro/RJ), categoria do negócio (Serviços de Beleza e Estética). A
expectativa do proprietário do estabelecimento de estética e beleza quanto ao valor
esperado com a venda é de R$ 500.000,00.
Em adição, baseado no método “Regra de Ouro” para valoração, considerando os
dados expostos acima e a referência apresentada no capítulo 3.3, o valor obtido para o
negócio seria de aproximadamente R$ 396.000,00 (55% das vendas anuais).
4.3.2 FUZZIFICAÇÃO DAS VARIÁVEIS DE ENTRADA
O primeiro passo para tratamento das variáveis qualitativas, utilizando o
raciocínio fuzzy como forma de tratar as informações e obter resultados, é a
Fuzzificação. Esta etapa precisa ser realizada somente para aquelas variáveis de entrada
que estão representadas de forma quantitativa, a serem transformadas para uma
linguagem natural.
No caso em que estamos estudando, todas as variáveis consideradas para
realização da valoração da empresa, dentre elas a receita bruta anual, despesas anuais e
investimento, deverão passar pela fuzzificação de forma a serem tratadas naturalmente.
Inicialmente, considerando a realidade que está sendo tratada, serão determinadas
as variáveis fuzzy, valores fuzzy, funções de pertinência e faixas de pertinência.
Variáveis Fuzzy
Para a elaboração do modelo, é necessário considerar os fatores que tem maior
influência ou impacto na determinação do valor de um negócio. Poderiam ser usados
modelos tradicionais de valoração, como o Modelo de Fluxo de Caixa Descontado,
Modelo de Opções Reais, dentre outros. No entanto, como forma de simplificar a lógica
a ser aplicada ao longo de todo raciocínio fuzzy e, além disso, atender ao principal
objetivo do trabalho foi determinado um conjunto de variáveis e lógicas entre si de
forma a simplificar o modelo. A fim de tornar a modelagem mais enxuta, optou-se por
arbitrar as variáveis que parecem mais adequadas, sejam elas numéricas ou linguísticas.
As variáveis de entrada selecionadas para suportar o modelo são:
34
a. Faturamento Anual
A variável faturamento anual consiste no total bruto de entradas de caixa de uma
empresa a partir da venda de produtos ou serviços, realizadas durante o período
comercial de um ano. Esta informação é importante, pois evidencia o nível de
capacidade da demanda atual pelo valor que é entregue pela empresa a seus clientes.
b. Investimento
O investimento compreende todos os recursos que foram necessários para início,
manutenção e evolução da operação na empresa, como, por exemplo, equipamentos,
ferramentas, espaço físico, registros, dentre outros.
c. Localização
A variável localização é uma variável qualitativa, a ser definida a partir da
avaliação do bairro (potencial e renda da região) e localidade (shopping, rua, disposição,
proximidade de outros estabelecimentos comerciais e concorrência local).
d. Crescimento
O nível de crescimento consiste na expectativa sobre o crescimento do negócio
para os próximos anos, inspirados no percentual de crescimento projetado para o setor e
baseado em cenários específicos para a realidade do negócio.
As variáveis de saída selecionadas para suportar o modelo são:
e. Valorização
A valorização consiste em uma estimativa inicial sobre o valor do negócio, obtido
a partir da combinação das variáveis financeiras de entrada, Lucro Anual e
Investimento. Será a base para obtenção do valor final a ser definido para a empresa em
estudo.
f. Multiplicador de Valorização
Como o valor de uma empresa não se baseia unicamente em variáveis financeiras,
foi incluído como variável complementar de saída do modelo, o que chamamos de
35
Multiplicador da Valorização, que consiste em uma combinação entre as variáveis de
entrada, Localidade e Crescimento, e ainda o índice de renda regional.
Valores Fuzzy
Para cada uma das variáveis fuzzy, foram definidos valores fuzzy pelos quais
podem assumir em cada realidade pela qual se está avaliando aquela variável. A
linguagem natural ou linguística é aquela que traduz os valores fuzzy que antes eram
tratados como dados quantitativos, mas a partir de agora passam a ser encarados como
informações não exatas ou qualitativas. Para todas as variáveis consideradas no modelo,
sejam de entrada ou saída, serão definidos cinco valores fuzzy.
Primeiramente, iremos considerar a variável Faturamento anual, obtida com uma
estimativa do desempenho histórico e potencial do negócio. Iremos assumir que estes
valores podem ser: Muito baixo (MB), Baixo (B), Médio (M), Alto (A) e Muito Alto
(MA).
Sob outra perspectiva, outra variável importante que está sendo considerada para
o método é o Investimento realizado pelos sócios da empresa ao longo do seu
funcionamento. Logo, iremos assumir que os valores possíveis para esta variável são:
Irrelevante (I), Pouco relevante (PR), Médio (M), Relevante (R) e Muito Relevante
(MR).
Adicionalmente, para as variáveis de entrada complementares Localização e
Crescimento, serão definidos, respectivamente, os seguintes valores fuzzy:
Desfavorável (D), Médio (M) e Favorável (F); Baixo (B), Médio (M) e Alto (A).
Como resultado, estão sendo consideradas as variáveis fuzzy Valorização e
Multiplicador da Valorização, que, por sua vez, também possuem respectivos valores
fuzzy. Tendo em vista o perfil qualitativo destas variáveis, para ambas foram definidos
os valores A, B, C, D e E, considerando que A compreende a “pior” condição para a
variável e “E” a melhor.
36
Funções e faixas de pertinência
Dando continuidade à Fuzzificação, o próximo passo é estabelecer as faixas de
pertinência, ou seja, os limites pelo qual determinado valor fuzzy pode assumir e as
funções de pertinência que determinam qual o grau de pertinência daquele valor fuzzy
para determinada situação que está sendo avaliada.
Para a definição das faixas de pertinência, considerando as premissas
estabelecidas para o método, foram determinadas de maneira arbitrária pelos autores
deste trabalho, considerando as possíveis realidades pela qual o universo de pequenas
empresas pode assumir, considerando a composição de cada uma das variáveis.
Neste momento, vale destacar que a elaboração dos graus de pertinência pelo qual
um valor fuzzy pode assumir, deve seguir alguma orientação ou modelo de função que
pode ser definido de forma simplificada como funções triangulares e trapezoidais, até
funções mais complexas como gaussiana, sigmoide e cauchy.
Tendo em vista a proposta principal deste trabalho, para o método que está sendo
elaborado, as funções de pertinência desenvolvidas seguirão a orientação a partir de
funções triangulares, sem restringir necessariamente que terão comportamento
equilateral e uniforme (somatório das pertinências é sempre igual a um), podendo ter
também comportamento isósceles (curvas das funções de um mesmo valor fuzzy
simétricas) e, até mesmo, comportamento escaleno (curvas das funções de um mesmo
valor fuzzy assimétricas entre si).
A partir dessas definições, para este trabalho, serão apresentadas as faixas e
funções de pertinência que serão utilizadas como referência, assim como os gráficos que
representam o grau de pertinência para cada uma das variáveis.
37
Tabela 4 – Funções e faixas de pertinência – Variável Faturamento
a. Faturamento Anual Funções de Pertinência
Faixas de Pertinência
Muito baixo MB x/60.000 R$ 0,00 R$ 60.000,00
Muito baixo MB (160.000-x)/100.000 R$ 60.000,00 R$ 160.000,00
Baixo B (x-90.000)/100.000 R$ 90.000,00 R$ 190.000,00
Baixo B (290.000-x)/100.000 R$ 190.000,00 R$ 290.000,00
Médio M (x-180.000)/90.000 R$ 180.000,00 R$ 270.000,00
Médio M (380.000-x)/110.000 R$ 270.000,00 R$ 380.000,00
Alto A (x-270.000)/110.000 R$ 270.000,00 R$ 390.000,00
Alto A (500.000-x)/110.000 R$ 390.000,00 R$ 500.000,00
Muito alto MA (x-390.000)/100.000 R$ 390.000,00 R$ 490.000,00
Muito alto MA (650.000-x)/160 R$ 490.000,00 R$ 650.000,00
Fonte: Os autores
Figura 14 – Gráfico de pertinência da variável Faturamento
Fonte: Os autores
0 100 200 300 400 500 600
0
0.2
0.4
0.6
0.8
1
Faturamento
Gra
u d
e p
ert
inênci
a
B M A MAMB
38
Tabela 5 – Funções e faixas de pertinência – Variável Investimento
b. Investimento Funções de
Pertinência Faixas de Pertinência
Irrelevante I x/80.000 R$ 0,00 R$ 80.000,00
Irrelevante I (160.000-x)/80.000 R$ 80.000,00 R$ 160.000,00
Pouco relevante PR (x-40.000)/80.000 R$ 40.000,00 R$ 120.000,00
Pouco relevante PR (240.000-x)/120.000 R$ 120.000,00 R$ 240.000,00
Médio M (x-100.000)/80.000 R$ 100.000,00 R$ 180.000,00
Médio M (290.000-x)/110.000 R$ 180.000,00 R$ 290.000,00
Relevante R (x-140.000)/100.000 R$ 140.000,00 R$ 240.000,00
Relevante R (350.000-x)/110.000 R$ 240.000,00 R$ 350.000,00
Muito relevante MR (x-200.000)/80.000 R$ 200.000,00 R$ 280.000,00
Muito relevante MR (400.000-x)/120.000 R$ 280.000,00 R$ 400.000,00
Fonte: Os autores
Figura 15 – Gráfico de pertinência da variável Investimento
Fonte: Os autores
Tabela 6 – Funções e faixas de pertinência – Variável Localização
c. Localização Funções de Pertinência
Faixas de Pertinência
Desfavorável B x/0.25 0.0 0.25
Desfavorável B (0.5-x)/0.25 0.25 0.5
Médio M (x-0.25)/0.25 0.25 0.5
Médio M (0.75-x)/0.25 0.5 0.75
Favorável A (x-0.5)/0.25 0.5 0.75
Favorável A (1.0-x)/0.25 0.75 1.0
Fonte: Os autores
0 50 100 150 200 250 300 350 400
0
0.2
0.4
0.6
0.8
1
Investimento
Gra
u d
e p
ert
inênci
a
I PR M R MR
39
Figura 16 – Gráfico de pertinência da variável Localização
Fonte: Os autores
Tabela 7 – Funções e faixas de pertinência – Variável Crescimento
d. Crescimento Funções de
Pertinência Faixas de Pertinência
Baixo B x/3.5 0.0 % 3.5 %
Baixo B (7.0-x)/3.5 3.5 % 7.0 %
Médio M (x-3.5)/3.5 3.5 % 7.0 %
Médio M (10.5-x)/3.5 7.0 % 10.5 %
Alto A (x-7.0)/3.5 7.0 % 10.5 %
Alto A (14.0-x)/3.5 10.5 % 14 %
Fonte: Os autores
Figura 17 – Gráfico de pertinência da variável Crescimento
Fonte: Os autores
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.2
0.4
0.6
0.8
1
Localização
Gra
u d
e per
tinên
cia
A B C
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.2
0.4
0.6
0.8
1
Crescimento
Gra
u d
e per
tinên
cia
A B C
40
Tabela 8 – Funções e faixas de pertinência – Variável Valorização
Valorização Funções de
Pertinência Faixas de Pertinência
Tipo A A x/90.000 R$ 0,00 R$ 90.000,00
Tipo A A (180.000-x)/90.000 R$ 90.000,00 R$ 180.000,00
Tipo B B (x-45.000)/90.000 R$ 45.000,00 R$ 135.000,00
Tipo B B (225.000-x)/90.000 R$ 135.000,00 R$ 225.000,00
Tipo C C (x-90.000)/90.000 R$ 90.000,00 R$ 180.000,00
Tipo C C (270.000-x)/90.000 R$ 180.000,00 R$ 270.000,00
Tipo D D (x-135.000)/90.000 R$ 135.000,00 R$ 225.000,00
Tipo D D (315.000-x)/90.000 R$ 225.000,00 R$ 315.000,00
Tipo E E (x-180.000)/90.000 R$ 180.000,00 R$ 270.000,00
Tipo E E (360.000-x)/90.000 R$ 270.000,00 R$ 360.000,00
Fonte: Os autores
Figura 18 – Gráfico de pertinência da variável Valorização
Fonte: Os autores
Tabela 9 – Funções e faixas de pertinência – Variável Multiplicador de Valorização
Multiplicador de
Valorização Funções de
Pertinência Faixas de Pertinência
Multiplicador A A (x-0.5)/0.25 0.5 0.75
Multiplicador A A (1.0-x)/0.25 0.75 1.0
Multiplicador B B (x-0.75)/0.25 0.75 1.0
Multiplicador B B (1.25-x)/0.25 1.0 1.25
Multiplicador C C (x-1.0)/0.25 1.0 1.25
Multiplicador C C (1.5-x)/0.25 1.25 1.5
Multiplicador D D (x-1.25)/0.25 1.25 1.5
Multiplicador D D (1.75-x)/0.25 1.5 1.75
Multiplicador E E (x-1.5)/0.25 1.5 1.75
Multiplicador E E (2.0-x)/0.25 1.75 2.0
Fonte: Os autores
0 50 100 150 200 250 300 350
0
0.2
0.4
0.6
0.8
1
Valorização
Gra
u d
e p
ert
inência
A B C D E
41
Figura 19 – Gráfico de pertinência da variável Multiplicador de Valorização
Fonte: Os autores
4.3.3 INFERÊNCIA
O modelo de valoração que está sendo desenvolvido pressupõe um conjunto de
relações de implicação que condicionam as diferentes variáveis envolvidas para que se
alcance algum resultado. Assumindo a proposta de utilização da lógica fuzzy e,
consequentemente, do raciocínio fuzzy para apoiar a decisão acerca do valor sugerido
para uma empresa, pode-se explicitar como esta etapa foi construída.
Logo, após a fuzzificação, definiram-se as condições abaixo para suportar a
estrutura de inferência, no caso, para obtenção da Valorização:
a. SE Faturamento é Muito baixo E Investimento é Irrelevante ENTÃO condição é A;
b. SE Faturamento é Muito baixo E Investimento é Pouco Relevante ENTÃO condição é B;
c. SE Faturamento é Muito baixo E Investimento é Médio ENTÃO condição é B;
d. SE Faturamento é Muito baixo E Investimento é Relevante ENTÃO condição é B;
e. SE Faturamento é Muito baixo E Investimento é Muito Relevante ENTÃO condição é C;
f. SE Faturamento é Baixo E Investimento é Irrelevante ENTÃO condição é A;
g. SE Faturamento é Baixo E Investimento é Pouco Relevante ENTÃO condição é B;
h. SE Faturamento é Baixo E Investimento é Médio ENTÃO condição é B;
i. SE Faturamento é Baixo E Investimento é Relevante ENTÃO condição é C;
j. SE Faturamento é Baixo E Investimento é Muito Relevante ENTÃO condição é C;
k. SE Faturamento é Médio E Investimento é Irrelevante ENTÃO condição é C;
l. SE Faturamento é Médio E Investimento é Pouco Relevante ENTÃO condição é C;
m. SE Faturamento é Médio E Investimento é Médio ENTÃO condição é D;
n. SE Faturamento é Médio E Investimento é Relevante ENTÃO condição é D;
o. SE Faturamento é Médio E Investimento é Muito Relevante ENTÃO condição é E;
p. SE Faturamento é Alto E Investimento é Irrelevante ENTÃO condição é C;
q. SE Faturamento é Alto E Investimento é Pouco Relevante ENTÃO condição é D;
0.5 1 1.5 2
0
0.2
0.4
0.6
0.8
1
Multiplicador
Gra
u d
e p
ert
inênci
a
A B C D E
42
r. SE Faturamento é Alto E Investimento é Médio ENTÃO condição é D;
s. SE Faturamento é Alto E Investimento é Relevante ENTÃO condição é E;
t. SE Faturamento é Alto E Investimento é Muito Relevante ENTÃO condição é E;
u. SE Faturamento é Muito Alto E Investimento é Irrelevante ENTÃO condição é C;
v. SE Faturamento é Muito Alto E Investimento é Pouco Relevante ENTÃO condição é D;
w. SE Faturamento é Muito Alto E Investimento é Médio ENTÃO condição é E;
x. SE Faturamento é Muito Alto E Investimento é Relevante ENTÃO condição é E;
y. SE Faturamento é Muito Alto E Investimento é Muito Relevante ENTÃO condição é E.
Para a obtenção do Multiplicador de Valorização, a estrutura de inferência deverá
relacionar as seguintes condições:
a. SE Localização é Desfavorável E Crescimento é Baixo ENTÃO condição é A;
b. SE Localização é Desfavorável E Crescimento é Médio ENTÃO condição é B;
c. SE Localização é Desfavorável E Crescimento é Alto ENTÃO condição é C;
d. SE Localização é Médio E Crescimento é Baixo ENTÃO condição é B;
e. SE Localização é Médio E Crescimento é Médio ENTÃO condição é D;
f. SE Localização é Médio E Crescimento é Alto ENTÃO condição é D;
g. SE Localização é Favorável E Crescimento é Baixo ENTÃO condição é D;
h. SE Localização é Favorável E Crescimento é Médio ENTÃO condição é E;
i. SE Localização é Favorável E Crescimento é Alto ENTÃO condição é E.
Com a determinação da estrutura da inferência, pode-se iniciar o processo a partir
dos dados recebidos da fuzzificação, enquadrando-os nas relações de implicância pelas
quais a variável se inclui.
Para o método desenvolvido, a estrutura de inferência será composta pela relação
das duas variáveis de saída, valorização e multiplicador da valorização. Neste contexto,
será utilizada a seguinte fórmula:
Valoração = [Valorização] * [Multiplicador da Valorização]
Onde, Valoração representa o valor do negócio, produto da Valorização, obtida
com a primeira aplicação da lógica fuzzy (baseado no faturamento e investimento), e do
Multiplicador da Valorização, obtido com a segunda aplicação da lógica fuzzy (baseada
na localização e crescimento).
43
4.3.4 DEFUZZIFICAÇÃO
O último passo necessário para que se obtenha o resultado do processo é a
defuzzificação que tem como principal objetivo a definição do valor numérico que
melhor represente a combinação lógica das informações de entrada, considerando os
processos de tratamento previamente definidos.
Neste contexto, vale destacar que podem ser utilizados diferentes métodos de
defuzzificação, como método centroide, centro das somas e média dos máximos. A
escolha do método a ser aplicado deve ser arbitrária e, em alguns casos, é válido que se
realize uma aplicação-teste dos três métodos para que se verifique aquele que melhor se
adeque ao resultado esperado pelo modelo proposto.
Para este trabalho, por ser um método amplamente utilizado e conferir maior
simplicidade, será aplicado o Método Centróide como forma de transformar o resultado
em um valor final.
Para os três casos experimentais, foram utilizadas as informações providas pelos
proprietários, as regras e técnicas definidas neste capítulo e a aplicação da ferramenta
MATLAB.
Tabela 10 – Cálculo do Valor do Negócio
Resultados Restaurante Livraria Beleza e Estética
Valorização (V) R$ 203.000,00 R$ 270.000,00 R$ 256.000,00
Multiplicador (M) 1.28 1.81 1.20
Valor do Negócio (V*M) R$ 259.840,00 R$ 488.000,00 R$ 307.200,00
Fonte: Os autores
44
4.3.5 DISCUSSÃO DOS RESULTADOS
Os objetivos da proposta do trabalho foram alcançados, considerando que os casos
experimentais contribuíram diretamente no entendimento da aplicabilidade de um
modelo de inferência fuzzy para valoração de pequenas empresas.
Os resultados obtidos na valoração das pequenas empresas objeto de estudo
demonstram que houve uma aproximação satisfatória, porém não conclusiva, com o
resultado esperado pelo proprietário e a aplicação das “regras de ouro”.
Como os três experimentos foram utilizados para a construção de um modelo
único e não foi utilizada nenhuma ferramenta específica que tornassem exaustivas as
iterações das variáveis, é possível reconhecer a dificuldade em garantir que o resultado
seja assertivo para todos os casos.
Por outro lado, vale ressaltar que os valores de referência não são matemáticos ou
exatos, pois estão ligados à intuição e experiência do empreendedor ou às estatísticas
genéricas contidas nas “regras de ouro”.
Tabela 11 – Comparação dos resultados de Valoração
I.Restaurante II.Livraria III.Beleza e Estética
Valor Resultante
do Modelo Fuzzy R$ 259.840,00 R$ 488.000,00 R$ 307.200,00
Valor pela Regra
de Negócio
R$ 131.000,00 -
R$ 194.000,00
R$ 595.000,00 -
R$ 790.000,00 R$ 396.000,00
Valor Esperado
pelo Proprietário R$ 130.000,00 R$ 620.000,00 R$ 500.000,00
Fonte: Os autores
45
5 CONCLUSÃO
A lógica fuzzy se apresenta como uma metodologia interessante para tratamento
de dados, principalmente quando os mesmos são imprecisos, como é tradicionalmente o
caso das informações prestadas por gestores de negócio quanto a seus
empreendimentos. Assim, os fundamentos e propriedades da lógica fuzzy possuem
como principais vantagens: o alcance de resultados rápidos e aproximados, e,
principalmente, o tratamento de incertezas peculiares de pequenas empresas,
viabilizando a valoração do negócio, ainda que as informações do empreendimento
sejam imprecisas.
Os objetivos da proposta do trabalho foram alcançados, considerando que os casos
experimentais contribuíram diretamente no entendimento da aplicabilidade de um
modelo de inferência fuzzy para valoração de pequenas empresas.
Assim como exposto anteriormente, vale destacar que a proposta deste trabalho
não é propor um método substitutivo àqueles tradicionais e consagrados na literatura e
no mercado. Através da utilização de um conceito diferenciado, através da lógica fuzzy,
desenvolveu-se, nesta monografia, uma nova alternativa para gestores de negócio que
pretendem realizar a valoração de seus empreendimentos, principalmente àqueles cujas
informações do negócio são imprecisas. Portanto, o modelo fuzzy desenvolvido nesta
monografia pode servir também como uma referência, mesmo nos casos em que o
gestor do negócio opte por valorar seu negócio através de técnicas convencionais.
Vale ressaltar que, por ser um trabalho inicial no tema, que considera informações
e dados reais, associados a conceitos de valoração e lógica fuzzy, para que seja obtido
um modelo mais abrangente e assertivo, deveriam ser consideradas outras variáveis
relevantes para avaliação de empresas e uma maior amostra de casos experimentais.
Esta questão demonstra o trade-off entre o esforço no levantamento e tratamento das
informações e o resultado para a construção e ajuste de modelos robustos, a ser avaliado
de acordo com o objetivo da pesquisa ou projeto a ser desenvolvido.
Algumas propostas de encaminhamento para trabalhos futuros deste trabalho,
visando refinar e aprofundar o desenvolvimento do modelo:
Possibilitar maior quantidade de iterações através de uma ferramenta específica
que proporcione um exercício exaustivo das variáveis envolvidas no modelo;
46
Incorporar mais variáveis e tornando-a mais flexível, dentre elas tipo do
negócio, endividamento, valor do estoque, ativos e capital de giro, tempo de
operação, tipo do imóvel, número de funcionários etc.;
Utilizar dados históricos de compra e venda de pequenas empresas (valores reais
de operação), como forma de incorporar os valores aferidos, comparando-os
com a expectativa do proprietário, “regras de ouro” e aplicação do modelo;
Testar o modelo para negócios de diversos setores, comparando os resultados
com outros métodos de valoração tradicionais;
Verificar a possibilidade de utilizar o modelo, com ajustes necessários, para a
valoração de start-ups, empresas virtuais e grandes empresas, ainda utilizando a
lógica fuzzy como base.
47
6 REFERÊNCIAS BIBLIOGRÁFICAS
AMENDOLA, M.; SOUZA, A. L.; BARROS, L. C. Manual do uso da teoria dos
conjuntos Fuzzy no MATLAB 6.5. FEAGRI & IMECC / UNICAMP. Versão II, maio
de 2005.
CARVALHO, D. P. A; RAMOS, F. S.; SOUZA, C. C.; NETO, J. F. R. Utilização de
Lógica Fuzzy como Ferramenta Auxiliar na Classificação de Ovinos para o Abate.
Universidade Anhanguera Uniderp, 2011.
CASTRO, A. O. Seleção de Poços de Petróleo para Operação de Fraturamento
Hidráulico: Uma Comparação entre Sistemas – Fuzzy-Genético e Neuro-Fuzzy.
UFRJ, Brasil, 2005.
COHEN, H. N. “Using Rules of Thumb in Valuation", em 101 Practical Solutions for
the Family Lawyer, ed. Greg Herman. Chicago: American Bar Association, 1996.
DESMOND, G. M. Handbook of Small Business Valuation Formulas and Rules of
Thumb. 3a Edição, Valuation Press: Camden, Maine, 1993.
DIXIT, A. K.; PINDYCK, R. S. The option approach to capital of investment.
Harvard Business Review, Maio/Junho, 1995.
HARRIS, J. Fuzzy Logic Applications in Engineering Science. Ed. Springer, 2006.
HINES, J. W. Fuzzy and Neural Approaches in Engineering. Wiley, New York,
1997.
HOLTON, L.; BATES, J. Business Valuation for Dummies. Ed. Wiley Publishing.
Indiana, EUA, 2009.
HUGH, A. Valuing your Private Firm for Acquisition. Merger Planning Solutions,
2001.
JESUS, J. R.; ROCHA, L. M.; VIANA, R. C. Avaliação de Pequenas e Médias
Empresas e Gestão de Risco. Faculdade de Economia do Porto, Portugal, 2001.
JÚNIOR, O. S. L.; Análise de Pontos por Função Fuzzy. Dissertação de Mestrado,
Universidade de Fortaleza, 2002.
KLIR, G. J.; YUAN, B. Fuzzy sets and fuzzy logic: theory and applications. Upper
Saddle River, NJ: Prentice Hall PTR, 1995.
48
MELO, G. J. A. Princípio de extensão de Zadeh aplicado a funções não monótonas
com dois parâmetros fuzzy. Universidade Federal de Lavras. Minas Gerais, 2009
NIÑO, L. M. V. Seleção de país destino com base em método fuzzy de tomada de
decisão multi-critério: estudo de caso de exportação de farinha de mandioca.
Dissertação de Mestrado, COPPE/UFRJ, 2011.
PAIVA, W. P. Métodos de avaliação de pequenas e médias empresas. V SEMEAD,
FEA/USP, 2001.
PRATT, S. The Lawyer’s Business Valuation Handbook. American Bar Association,
2000.
PRATT, S.; REILLY, R.; SCHWEIHS, R. Valuing Small Businesses and
Professional Practices, 2 ed., McGraw-Hill , 1993.
ROSS, T. J. Fuzzy Logic with Engineering Applications. 3a Edição. John Wiley &
Sons. United Kingdom, 2010.
SANTOS, D. F. L. A teoria das Opções Reais como instrumento de avaliação na
análise de um processo de fusão e incorporação de empresas. Dissertação, UFF.
Niterói, 2004.
SEBRAE. As Pequenas Empresas do Simples Nacional. Serviço Brasileiro de Apoio
às Micro e Pequenas Empresas. Publicação, 2011.
SEBRAE, Taxa de Sobrevivência das Empresas no Brasil. Coleção Estudos e
Pesquisas, 2011.
SLIWOSKI, L. Alternatives To Business Valuation Rules Of Thumbs For Small
Businesses. The National Public Accountant (Marh-April), 1999.
TULLER, L. W. The Small Business Valuation Book. 2nd
Edition. Adams Media,
Canada, 2008.
WEST, T. The Business Reference Guide – The Essential Guide to Pricing a
Business. 10a Edição, 2002.
ZADEH, L. Fuzzy sets. Inf. Control, vol. 8, pp. 338–353, 1965.
ZADEH, L. A. The Rationale Fuzzy Control, J. Dyn. Syst. Control Trans. ASME, Vol
94, pp; 3-4, 1972.
49
ZIMMERMANN, H. J. Fuzzy Set Theory and Its Applications. Kluwer Bostom, 2ª
Edição, 1991.
BBN – Bolsa Brasil Negócios. http://www.bolsabrasilnegocios.com.br (acessado em:
01/08/2012).